- •1. Понятие технологической системы, ее свойства
- •2. Схема управляемой технологической системы
- •3. Пример управляемой тех. Системы производства см
- •4. Схема частично управляемой и не управляемой тех. Системы
- •5. Пример частично управляемой и не управляемой тех. Системы
- •6. Входные параметры тех. Системы производства см. Примеры, уровни
- •7. Выходные параметры тех. Системы производства см. Примеры, уровни
- •8. Виды возмущающих воздействий на технологическую систему и их учет
- •9. Общая классификация систем. Пример
- •10. Системный анализ. Задачи, способы
- •11. Общие положения стратегии системного анализа
- •12. Применение блочного принципа системного анализа на примере процесса строительной технологии
- •13. Основные типы мат. Мод.
- •16. Высшая ступень иерархической структуры птс
- •17. Исследование птс как объектов управления
- •18. Чувствительность систем
- •19. Управляемость системы
- •20. Наблюдаемость системы
- •21. Устойчивость системы
- •22. Помехозащищенность системы
- •23. Эмерджентность птс
- •24. Интерэктность птс
- •25. Детерминированные процессы. Примеры
- •26. Стохастические процессы. Примеры
- •27. Основные положения теории информации: информационная энтропия
- •28. Основные положения теории информации: св-ва информационной энтропии
- •29. Основные положения теории информации: количество информации
- •30. Передача сигналов в технологических системах: ступенчатое возмущение
- •31. Передача сигналов в технологических системах: импульсное возмущение
- •32. Передача сигналов в технологических системах: синусоидальное возмущение
- •33. Основные типы звеньев тех. Системы: безинерционное и инерционное звено
- •34. Основные типы звеньев тех. Системы: дифференцирующее и интегрирующее
- •35. Основные типы звеньев тех. Системы: чистого запаздывания и колебательное
- •Помехи в технологических системах.
- •Обратная связь в технологических процессах.
- •Моделирование как метод исследования систем. Основные виды моделирования.
- •Виды математических моделей. Классификация моделей по степени точности.
- •Классификация математических моделей по степени соответствия реальному объекту, способности работать в реальном времени.
- •Основные принципы моделирования: информационной точности.
- •Основные принципы моделирования: параметризации.
- •Основные принципы моделирования: агрегирования.
- •Основные принципы моделирования: осуществимости.
- •Основные принципы моделирования: рационального использования факторного пространства.
- •Основные принципы моделирования: принцип множественности.
- •Основные этапы и способы построения моделей.
- •Статистические модели процессов. Понятие активный эксперимент.
- •Статистические модели процессов. Понятие пассивный эксперимент.
- •Эволюционное планирование эксперимента в производственных условиях. Смысл, план эксперимента.
- •Понятие фаза и цикл при эволюционном планировании эксперимента.
- •Графические зависимости и критерии при эволюционном планировании эксперимента в производственных условиях.
- •Оценка опытных данных по g-критерию Кохрена.
- •Области применимости регрессионного анализа.
- •Понятие полнофакторного эксперимента и дробной реплики от него. Применимость планов, их виды.
- •Виды математических моделей используемых при регрессионном анализе.
- •Области применимости дисперсионного анализа.
- •Планирование эксперимента при дисперсионном анализе.
- •Виды математических моделей используемых при дисперсионном анализе.
- •Оценка адекватности по f-критерию Фишера. Проведение вычислительного эксперимента.
- •Основы теории подобия. Виды подобия.
- •Критерии подобия. Применимость, примеры.
- •Типовые модели структуры потоков в аппаратах: модель идеального вытеснения.
- •Типовые модели структуры потоков в аппаратах: модель идеального смешивания.
- •Типовые модели структуры потоков в аппаратах: диффузионная модель.
- •Типовые модели структуры потоков в аппаратах: ячеечная модель.
- •Типовые модели структуры потоков в аппаратах: комбинированная модель.
- •Состав, структура и свойства нейронных сетей. Биологическая аналогия.
- •Алгоритм моделирования сложных объектов и систем с помощью нейронных сетей.(70)
- •Применение нейронных сетей для прогнозирования поведения системы в будущем.(71)
- •Имитационные модели. Этапы построения модели.(85)
- •Основные элементы системы управления. Способы продвижения модельного времени.(90)
- •Построение моделирующего алгоритма системы управления запасами по принципу Δt.
- •Построение моделирующего алгоритма системы управления по принципу особых состояний.
- •Специальные методы применяемые при имитационном моделировании: группировка, применение относительных и средних величин.
- •Специальные методы применяемые при имитационном моделировании: сравнение, метод цепных подставок.
- •Специальные методы применяемые при имитационном моделировании: метод аналогий, экспертные оценки.
- •Моделирование и анализ организационной структуры предприятия при создании системы управления.
- •Структурная схема имитационной модели тп сборного железобетона с изменяемыми критериями управления. Основные информационные потоки.(86)
- •Оценка стабильности технологических процессов. Организация работ.(72)
- •Регистрационные методы оценки стабильности технологических процессов.(73)
- •Статистические методы оценки стабильности технологических процессов.(74)
- •Оценка стабильности технологических процессов. Контрольные карты.(79)
- •Оценка стабильности технологических процессов. Диаграммы Парето.(80)
Области применимости дисперсионного анализа.
Применяется во многих строительно-технологических задачах, где необходимо изучать влияние и строить модель, кот использует не только качественные факторы, но и количественные. Качественные факторы явл дискретными по своей природе, их уровням не соответствует цифровая шкала и порядок уровней безразличен.
Планирование эксперимента при дисперсионном анализе.
Простейшую форму плана эксперимента можно представить сравнением k уровней одного и того же фактора А. План эксперимента «латинских квадратов» и прямоугольников Юдина позволяют равномерно сканировать многофакторное пространство не производя полного перебора вариантов и оценивать параметры в линейных и нелинейных моделях.
Виды математических моделей используемых при дисперсионном анализе.
При проведении дисперсионного анализа используются модели 3-х типов:
1) модели, в кот рассматриваются фиксированные уровни факторов
2) уровни выбираются случайным образом
3) сочетание 1-х 2-ух моделей
Латинские квадраты
ЛК называется квадратная таблица из n элементов (букв или чисел) такая, что каждый из них встречается только один раз в каждой строке и в каждом столбце, например, ЛК 3х3:
A B C
B C A
C A B
греко-латинский квадрат
Матрица планирования
№ опыта | ai bi ci
1 | a1 b1 c1
2 | a1 b2 c2
3 | a1 b3 c3
4 | a2 b1 c3
5 | a2 b2 c1
6 | a2 b3 c2
7 | a3 b1 c2
8 | a3 b2 c3
9 | a3 b3 c1
Оценка адекватности по f-критерию Фишера. Проведение вычислительного эксперимента.
Для проверки гипотезы об адекватности полученной модели, необходимо сопоставить полученную точность модели с величиной, характеризующей ошибку эксперимента. Обычно в качестве этой величины используется дисперсия воспроизводимости эксперимента .
Эта дисперсия м.б. известна и до начала эксперимента, либо ее находят дублируя экспериментальные данные в одной и той же точке.
Дисперсия воспроизводимости в зависимости от характера дублирования опытов может определятся по разным формулам. Если в эксперименте дублируется несколько раз один u-й опыт то дисперсия определяется по формуле:
- результат q-го повторения u-го опыта
- среднее арифметическое всех повторений u-го опыта
- число степеней свободы
Е сли каждый опыт в эксперименте повторялся N раз
В качестве характеристики модели предпочитают использовать остаточную дисперсию или дисперсию адекватности:
Для сопоставления точности полученной модели с ошибкой эксперимента и проверки гипотезы об адекватности чаще всего используют F-критерий (критерий Фишера), определяющийся по формуле:
Гипотезу об адекватности модели применяют тогда, когда расчетное значение F не превышает табличного значения.
Проведение вычислительного эксперимента. Проверяется с целью изучения объекта моделирования в выбранной области факторного пространства и решение различных технологических задач с помощью полученной информации. Если в параметры модели входит время, то появляется возможность проанализировать и сформулировать выводы о характеристиках функционирования системы на всех этапах и выбрать оптимальную траекторию развития.
По результатам вычислительного эксперимента можно построить упрощённую математическую модель, позволяющую вычислить инженерные расчёты в ускоренном виде. В зависимости от конкретной задачи, вес различных элементов модели может варьироваться в широких пределах, что позволяет в некоторых случаях исключить отдельные элементы. На всех этапах моделирования самым главным является умение формулировать цепочку вопросов, логически приводящих к тому уровню понимания вопроса, который доступен для решения той или иной практической задачи.